面向复杂地质构造中二氧化碳运移的快速图神经网络替代模型
本文提出一种端到端的图神经网络替代模型，用于预测地质封存中CO2羽流运移。该模型在SPE11A基准测试上评估，通过各向异性消息传递机制和自回归残差公式，在长期预测中保持了较低的累积误差，可准确预测气体饱和度和液相密度。
来源arXiv Machine Learning作者: Rodrigo S. Luna, Thiago H. N. Coelho, Luiz S. L. Neto, Roberto M. Velho, Adriano M. A. Cortes, Renato N. Elias, Alexandre G. Evsukoff, Fernando A. Rochinha, Mauricio Araya-Polo, Herve Gross, Alvaro L. G. A. Coutinho
近日，一篇发表在arXiv上的论文（arXiv:2606.17180）提出了一种基于图神经网络（GNN）的快速替代模型，用于预测复杂地质构造中二氧化碳（CO2）的运移。该模型由Rodrigo S. Luna等11位作者共同完成，旨在解决地质封存场景下CO2羽流运移的高效模拟问题。研究团队将CO2储存的行业基准测试SPE11A问题重构为图结构，其中节点代表计算单元，边编码基于传导率的相互作用，并附加几何属性。为了捕捉由网格几何、渗透率差异和地质非均质性引起的方向性传输，模型设计了各向异性消息传递机制，通过几何条件化的边嵌入计算交互权重，使消息聚合偏向物理相关的传输方向。时间演化则通过潜在空间中的自回归残差公式建模，并采用多步监督训练。SPE11A基准测试是工业界常用的CO2封存场景评估案例，其特点包括尖锐的气水界面、强平流输运以及伴随指进现象的快速对流混合。传统数值模拟方法计算成本高，而该GNN替代模型在保持物理准确性的同时大幅提升了计算效率。实验结果显示，该模型在预测气体饱和度和液相密度方面表现出色，这两个指标是CO2储存监测的关键参数。即使在长期预测范围内，累积误差仍然保持在较低水平。该工作表明，数据驱动的机器学习方法能够有效再现复杂地质构造中多相流的物理行为，为CO2地质封存的快速评估提供了新工具，有望在碳捕集与封存（CCS）项目中发挥重要作用。